用于主动跨域自定位的域不变 NBV 规划器

杆状地标作为跨域（如季节、一天中的时段、天气）视觉机器人自定位的域不变视觉线索，已受到越来越多的关注。然而，对于被动观测者，使用杆状地标进行自定位可能是不适定的，因为许多视点可能无法提供任何杆状地标视图。为缓解该问题，我们考虑主动观测者并探索一种新颖的“域不变”下一最佳视点（NBV）规划器，其在不同域上保持一致性能（即免维护），且无需昂贵的训练数据收集与重训练任务。在我们的方法中，一种新颖的多编码器深度卷积神经网络能够检测域不变杆状地标，随后将其作为基于无模型深度强化学习的域不变 NBV 规划器的唯一输入。此外，我们开发了一个利用稀疏不变地标与稠密判别地标的主动自定位实用系统。在实验中，我们证明了所提方法在高效地标检测与判别性自定位方面均有效。